Modelos geométricos rastreados de objetos reais têm inúmeras aplicações, principalmente quando o modelo é uma pessoa: na indústria cinematográfica, de jogos, moda e saúde. Entretanto, as soluções mais usuais encontradas atualmente, são baseadas em equipamentos de alto custo, como máquinas de medição por coordenadas (CMM) e scanners a laser. Existem ainda soluções baseadas em imagem, todavia, estas requerem grande demanda computacional e calibração cuidadosa. Com o barateamento e a popularização das câmeras de profundidade (RGB-D), como é o caso do dispositivo Microsoft Kinect, apresenta-se a possibilidade de escanear objetos do mundo real e gerar uma nuvem de pontos tridimensionais que pode, por sua vez, ser tratada em algoritmos de menor demanda computacional, e dar origem a uma malha, uma coleção de vértices, arestas e faces que descrevem o formato do objeto original. Dispositivos como o Kinect fornecem ainda um recurso extra, que é a representação do esqueleto virtual de forma automática. Mas é preciso associar o esqueleto com a geometria, a fim de permitir a articulação da malha por meio da manipulação de referências no esqueleto, processo definido como rigging. Esta relação entre malha e esqueleto, faz-se útil não só para o processo de animação, mas para gerar variantes visuais que mantenham a coerência fisiológica (altura, peso, idade, densidade muscular), uma vez que partes do corpo reagem diferente mas em conjunto conforme alteram-se as medidas dos aspectos corporais em questão. Entretanto, associar as informações de malha e esqueleto, mantendo a fisiologia durante a manipulação, não é uma tarefa trivial, mas suas aplicações podem ser aproveitadas pelas mais diversas áreas, uma vez que permite uma pessoa se representar diretamente dentro do mundo virtual chegando mais próximo de sua auto-imagem e executar, por exemplo, o estudo de variações fisiológica desse individuo. Portanto, o objetivo geral desta pesquisa é estender os recursos atualmente disponíveis de uma câmera RGB-D (nuvem de pontos e esqueleto) incorporando rigging e variantes fisiológicas investigando técnicas eficientes de geração de modelos corporais 3D (escanear) usando câmeras de profundidade de baixo custo enriquecidos com estrutura para animação e variação fisiológica coerente, e por ser implementado com Kinect foi denominado “sKanner3D”.
